Ce mémoire traite principalement de deux thèmes : l'estimation de la dérivée de la fonction de répartition conditionnelle et la construction d'un test d'indépendance basé sur la copule conditionnelle utilisant notre estimateur. Dans le premier chapitre, on fait une brève introduction aux méthodes d'estimation non paramétriques de la fonction de répartition conditionnelle et de la copule conditionnelle. Par la suite, on présente un estimateur de la dérivée de la fonction de répartition conditionnelle nous permettant d'estimer le biais du processus de copule conditionnelle présenté dans le Chapitre 1. Le troisième chapitre traite du test d'indépendance basé sur la copule conditionnelle utilisant les résultats du deuxième chapitre.

Dans la première partie de cette thèse, nous avons proposé des tests non paramétriques d'indépendance entre des variables aléatoires continues. Les tests proposés sont basés sur la fonction de copule empirique de Bernstein et la fonction de densité de copule de Bernstein. La deuxième partie, nous avons abordé le problème de l’estimation non paramétrique de la fonction de densité de probabilité conditionnelle et la fonction de répartition conditionnelle basée sur une représentation polynomiale de Bernstein. Les estimateurs proposés ont été utilisés pour estimer la fonction de régression et la fonction de quantile conditionnelle. Les propriétés asymptotiques de ces estimateurs ont été établies. Finalement, une étude de simulation est menée pour montrer la performance de nos estimateurs, soit sur des exemples simulés ou bien des données réelles.

Tester l’indépendance entre plusieurs vecteurs aléatoires est une question importante en statistique. Puisqu’il y a une infinité de manières par lesquelles une quantité aléatoire X peut dépendre d’une autre quantité aléatoire Y , ce n’est pas une question triviale, et plusieurs tests “classiques” comme Spearman [33], Wilks [40], Kendall [18] ou Puri and Sen [24] sont inefficaces pour détecter plusieurs formes de dépendance. De significatifs progrès dans ce domaine ont été réalisés récemment, par exemple dans Székely et al. [34], Gretton et al. [14] ou Heller et al. [15]. Cela dit, la majorité des tests disponibles détectent l’indépendance entre deux quantités aléatoires uniquement. L’indépendance par paires ne garantissant pas l’indépendance mutuelle, il est pertinent de développer des méthodes testant l’hypothèse d’indépendance mutuelle entre n’importe quel nombre de variables. Dans cette recherche nous proposons un test non-paramétrique et toujours convergent, applicable à un nombre quelconque de vecteurs aléatoires. Précisément, nous étendons la méthode décrite dans Heller et al. [15] de deux manières. Premièrement, nous proposons d’appliquer leur test aux rangs des observations, plutôt qu’aux observations elles-mêmes. Ensuite, nous étendons leur méthode pour qu’elle puisse tester l’indépendance entre un nombre quelconque de vecteurs. La distribution de notre statistique de test étant inconnue, nous utilisons une méthode de permutations pour calculer sa valeur-p. Des simulations sont menées pour obtenir la puissance du test, que nous comparons à celles d’autres test décrits dans Genest and Rémillard [10], Gretton et al. [14], Székely et al. [34], Beran et al. [3] et Heller et al. [15]. Nous investiguons divers exemples et dans plusieurs de ceux-ci la puissance de notre test est meilleure que celle des autres tests. En particulier, lorsque les variables aléatoires sont Cauchy notre test performe bien mieux que les autres. Pour le cas de vecteurs aléatoires strictement discrets, nous présentons une preuve que notre test est toujours convergent. / Testing for independence between random vectors is an important question in statistics. Because there is an infinite number of ways by which a random quantity X can be dependent of another random quantity Y , it is not a trivial question. It has been found that classical tests such has Spearman [33],Wilks [40], Kendall [18] or Puri and Sen [24] are ineffective to detect many forms of dependence. Recent, significant results on the topic include Székely et al. [35], Gretton et al. [14] or Heller et al. [15]. However, most of the available tests can only detect dependence between two random quantities. Because pairwise independence does not guarantee mutual independence, techniques testing the hypothesis of mutual independence between any number of random quantities are required. In this research we propose a non-parametric and universally consistent test of independence, applicable to any number of random vectors of any size. Precisely, we extend the procedure described in Heller et al. [15] in two ways. Firstly, we propose to use the ranks of the observations instead of the observations themselves. Secondly, we extend their method to test for independence between any number of random vectors. As the distribution of our test statistic is not known, a permutation method is used to compute p−values. Then, simulations are performed to obtain the power of the test. We compare the power of our new test to that of other tests, namely those in Genest and Rémillard [10], Gretton et al. [14], Székely et al. [34], Beran et al. [3] and Heller et al. [15]. Examples featuring random variables and random vectors are considered. For many examples investigated we find that our new test has similar or better power than that of the other tests. In particular, when the random variables are Cauchy, our new test outperforms the others. In the case of strictly discrete random vectors, we present a proof that our test is universally consistent.

L'analyse du risque de survenue d'événements récurrents est une motivation majeure dans de nombreuses études de recherche clinique ou épidémiologique. En cancérologie, certaines stratégies thérapeutiques doivent être évaluées au cours d'essais randomisés où l'efficacité est mesurée à partir de la survenue d'événements successifs marquant la progression de la maladie. L'état de santé de patients infectés par le VIH évolue en plusieurs étapes qui ont pu être définies par la survenue d'événements cliniques successifs.Ce travail de thèse porte sur les modèles de régression du risque pour l'analyse de la survenue d'événements successifs. En pratique, la présence de corrélations entre les temps d'attente séparant les événements successifs est une hypothèse qui peut rarement être écartée d'emblée. L'objectif de la thèse porte sur le développement de modèles de régression permettant d'évaluer une telle corrélation. Dans ce cadre, la méthode le plus souvent utilisée suppose que la corrélation entre les délais successifs a pour origine une hétérogénéité aléatoire, non observée, entre sujets. Le modèle correspondant définit le risque instantané individuel en fonction d'un terme aléatoire, ou " fragilité ", de distribution gamma et dont la variance quantifie l'hétérogénéité entre sujets et donc la corrélation entre délais d'un même sujet. Cependant, l'utilisation de ce modèle pour évaluer l'ampleur des corrélations présente l'inconvénient de conduire à une estimation biaisée de la variance de la fragilité.Une première approche a été définie pour deux événements successifs dans une échelle de temps " par intervalles ", c'est-à-dire où le risque est exprimé en fonction du temps écoulé depuis l'événement précédent. L'approche mise au point a été obtenue à partir d'une approximation du risque de second événement conditionnellement au premier délai dans un modèle à fragilité pour plusieurs distributions de fragilité. Une seconde approche a été définie en échelle de temps " calendaire ", où le risque est exprimé en fonction du temps écoulé depuis le début du suivi du sujet. L'approche retenue a été obtenue à partir d'une approximation de l'intensité conditionnelle au passé dans un modèle à fragilité. Dans les deux échelles de temps, l'approche mise au point consiste à introduire une covariable interne, calculée sur le passé du processus, qui correspond à la différence entre le nombre d'événements observés pour le sujet sur la période passée, et le nombre attendu d'événements pour ce sujet sur la même période compte tenu de ses covariables externes. Une revue de la littérature des études de simulations a montré que le cas d'une hétérogénéité dans la population face au risque d'événement était souvent envisagé par les auteurs. En revanche, dans beaucoup d'études de simulations, le cas d'un risque dépendant du temps, ou d'une dépendance entre événements, n'étaient pas considérés. Des études de simulations ont permis de montrer dans les deux échelles de temps considérées un gain de puissance du test mis au point par rapport au test d'homogénéité correspondant au modèle à fragilité gamma. Ce gain est plus marqué en échelle de temps par intervalles. Par ailleurs, dans cette échelle de temps, le modèle proposé permet une amélioration de l'estimation de la variance de la fragilité dans le cas d'une hétérogénéité faible ou modérée, plus particulièrement pour de petits échantillons.L'approche développée en échelle de temps par intervalles a été utilisée pour analyser les données d'une cohorte de patients infectés par le VIH, montrant une corrélation négative entre le délai entre infection et première manifestation mineure d'immunodéficience et le délai entre première manifestation mineure d'immunodéficience et stade SIDA déclaré.

Premièrement, nous construisons de tels tests basés sur des approches par bootstrap ou par permutation, et étudions leurs propriétés asymptotiques dans un cadre de processus ponctuels, à travers l'étude du comportement asymptotique des lois conditionnelles des statistiques de test bootstrappée et permutée, sous l'hypothèse nulle ainsi que toute alternative. Nous les validons en pratique par simulation et les comparons à des méthodes classiques en neurosciences. Ensuite, nous nous concentrons sur les tests par permutation, connus pour contrôler non-asymptotiquement leur niveau. Les p-valeurs basées sur la notion de coïncidences avec délai, sont implémentées dans une procédure de tests multiples, appelée méthode Permutation Unitary Events, pour détecter les synchronisations entre deux neurones. Nous validons la méthode par simulation avant de l'appliquer à de vraies données. Deuxièmement, nous étudions les propriétés non-asymptotiques des tests par permutation en termes de vitesse de séparation uniforme. Nous construisons une procédure de tests agrégés, basée sur du seuillage par ondelettes dans un cadre de variables aléatoires à densité. Nous déduisons d'une inégalité fondamentale de Talagrand, une nouvelle inégalité de concentration de type Bernstein pour des sommes permutées aléatoirement qui nous permet de majorer la vitesse de séparation uniforme sur des espaces de Besov faibles et d'en déduire que cette procédure semble être optimale et adaptative au sens du minimax. / On the one hand, we construct such tests based on bootstrap and permutation approaches. Their asymptotic performance are studied in a point process framework through the analysis of the asymptotic behavior of the conditional distributions of both bootstrapped and permuted test statistics, under the null hypothesis as well as under any alternative. A simulation study is performed verifying the usability of these tests in practice, and comparing them to existing classical methods in Neuroscience. We then focus on the permutation tests, well known for their non-asymptotic level properties. Their p-values, based on the delayed coincidence count, are implemented in a multiple testing procedure, called Permutation Unitary Events method, to detect the synchronization occurrences between two neurons. The practical validity of the method is verified on a simulation study before being applied on real data. On the other hand, the non-asymptotic performances of the permutation tests are studied in terms of uniform separation rates. A new aggregated procedure based on a wavelet thresholding method is developed in the density framework. Based on Talagrand's fundamental inequalities, we provide a new Bernstein-type concentration inequality for randomly permuted sums. In particular, it allows us to upper bound the uniform separation rate of the aggregated procedure over weak Besov spaces and deduce that this procedure seems to be optimal and adaptive in the minimax sens.